數據挖掘的任務主要是關聯分析、聚類分析、分類、預測、時序模式和偏差分析等。
關聯分析
1.關聯分析
關聯規則挖掘是由拉克什·艾活（Rakesh Apwal)等人首先提出來的。兩個或兩個以上變數的取值之間存在某種規律性，就稱為關聯。數據關聯是資料庫中存在的一類重要的、可被發現的知識。關聯分為簡單關聯、時序關聯和因果關聯。關聯分析（Association Analysis）的目的是找出資料庫隱藏的網際網路。一般用支持度和可信度兩個闕值來度量關聯規則的相關性，還不斷引入興趣度、相關性等參數，使得所挖掘的規則更符合要求。
2.聚類分析
聚類是把數據按照相似性歸納成若干類別，同一類中的數據彼此相似，不同類中的數據相異。聚類分析（Clustering Analysis)可以建立巨觀的概念，發現數據的分布模式，以及可能的數據屬性之間的 相互關係。
3. 分類
分類（Classification)就是找出一個類別的概念描述，它代表了這類數據的整體信息，即該類的內涵描述，並用這種描述來構造模型，一般用規則或決策樹模式表示。分類是利用訓練數據集通過一定的算法而求得分類規則。分類可被用於規則描述和預測。
4. 預測
預測（predication)是指利用歷史數據找出變化規律，建立模型，並由此模型對未來數據的種類及特徵進行預測。預測關心的是精度和不確定性，通常用預測方差來度量
5. 時序模式
時序模式（Time-series pattern)是指通過時間序列搜尋出的重複發生率較高的模式。與回歸一樣，它也是用已知的數據預測未來的值，但這些數據的區別是變數所處時間的不同。
6. 偏差分析（Deviation Analysis)
在偏差中包括很多非常有用的知識，資料庫中的數據存在很多異常情況，發現資料庫中數據存在的異常情況是非常重要的。偏差檢驗的基本方法就是尋找檢查結果與參照之間的差別。
